企业官网建设流程全解析

1. 从表达矩阵到通路地图：KEGG与GO富集分析到底在解决什么问题

做过转录组分析的人都有一个共同的体会：差异表达分析只是万里长征的第一步。你手里攥着几千个上调和下调的基因，如果只是把它们排成一列看，除了少数几个明星基因能认出来，剩下的绝大多数你根本不知道它们凑在一起想干什么。KEGG和GO富集分析就是用来回答这个问题的——把一长串基因名单，翻译成生物学功能层面的故事。

我刚开始接触生信的时候，总觉得富集分析是个“跑个脚本就完事”的步骤。后来做得多了才发现，同样的基因列表，参数选得不一样，出来的结果可能天差地别。更关键的是，很多人跑完富集分析之后，面对几十上百条通路，根本不知道哪些值得深挖、哪些只是统计噪声。这篇内容就是想把从数据准备到结果解读的完整链路讲清楚，尤其是那些在标准教程里很少提到、但实际项目中一定会遇到的坑。

这篇文章适合两类人：一类是刚做完差异分析、准备跑富集的新手，你需要一套能直接复现的操作流程；另一类是做过多轮分析、但总觉得结果不够“干净”的老手，你可能需要重新审视一下自己在基因ID转换、背景基因集选择、多重检验校正这些环节上有没有留下隐患。下面我会以人类转录组数据为例，把KEGG和GO分析的每个环节拆开来讲，代码基于R语言的clusterProfiler生态，这是目前最成熟也最稳定的方案。

2. 分析前的三道关：ID转换、背景基因集与数据过滤

2.1 基因ID转换：为什么你的富集结果总是少得可怜

富集分析第一个卡住大多数人的地方就是基因ID。你从表达矩阵里拿到的可能是Ensembl ID（比如ENSG00000141510），也可能是Entrez ID（比如7157），还可能是基因Symbol（比如TP53）。clusterProfiler的富集函数绝大多数情况下要求输入Entrez ID，如果你直接拿Symbol或者Ensembl ID往里塞，要么报错，要么返回空结果。

我见过最常见的错误是这样的：用org.Hs.eg.db做ID转换时，直接用bitr函数把Symbol转成Entrez ID，然后发现几千个基因只剩下一千多个能转过去。这时候很多人就慌了，觉得数据有问题。其实原因很简单——bitr默认只返回有对应关系的ID，那些转不过去的基因就被静默丢弃了。你需要做的第一件事是检查丢失比例，如果丢失超过30%，就要考虑是不是用了错误的注释包，或者基因ID本身存在版本差异。

library(org.Hs.eg.db) library(clusterProfiler) # 假设你的基因列表是Symbol格式 gene_symbols <- c("TP53", "BRCA1", "EGFR", "MYC", "PTEN") # 转换时保留原始ID对应关系 id_map <- bitr(gene_symbols, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db) # 查看转换成功率 cat("输入基因数:", length(gene_symbols), "转换成功:", nrow(id_map), "丢失:", length(gene_symbols) - nrow(id_map), "\n")

如果丢失率很高，有几个排查方向：第一，确认物种注释包是否正确，人类是org.Hs.eg.db，小鼠是org.Mm.eg.db，别搞混；第二，检查基因Symbol是否用了别名，比如有些数据里用“P53”而不是“TP53”，这时候需要用alias2Symbol或者手动映射；第三，如果是Ensembl ID，注意版本号后缀（如ENSG00000141510.15）需要先去掉。

还有一个容易被忽略的点：多对多映射。一个Symbol可能对应多个Entrez ID，bitr默认会返回所有可能的对应关系，导致基因数量膨胀。这时候你需要决定是保留所有映射还是只取第一个。我的经验是，对于富集分析，保留所有映射通常更安全，因为不同数据库对基因的注释粒度不同，强行去重反而可能丢失信息。

2.2 背景基因集的选择：用全基因组还是表达基因

这是富集分析里争议最大、也最容易被忽视的问题。clusterProfiler默认使用全基因组作为背景，但很多统计学家认为应该用“在实验中实际检测到的基因”作为背景。两种做法各有道理，关键看你的研究目的。

用全基因组做背景的逻辑是：你关心的是这批差异基因相对于所有已知基因是否富集在某些功能上。这种做法适合探索性分析，尤其是当你对数据质量不太确定的时候。但它的缺点是，如果某些通路上的基因本身在转录组平台上就检测不到（比如低表达或者探针设计问题），这些通路永远不会出现在结果里，造成假阴性。

用表达基因做背景的逻辑是：你只关心在本次实验中有机会被检测到的基因，差异基因相对于这些“可检测基因”是否富集。这种做法更保守，能减少假阳性，但需要你手动构建背景基因列表。

# 方法一：使用全基因组背景（默认） ego_all <- enrichGO(gene = entrez_ids, OrgDb = org.Hs.eg.db, ont = "BP", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.05) # 方法二：使用表达基因作为背景 # 假设expr_genes是所有检测到的基因的Entrez ID ego_expr <- enrichGO(gene = entrez_ids, universe = expr_genes, OrgDb = org.Hs.eg.db, ont = "BP", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.05)

我个人的建议是：两种都跑，对比结果。如果两种背景下的显著通路高度一致，说明结果稳健；如果差异很大，就需要仔细检查是不是背景基因集里包含了大量与差异基因功能相关的基因，导致富集信号被稀释。在实际项目中，我通常会把表达基因背景作为主要报告结果，全基因组背景作为敏感性分析。

2.3 数据过滤：去掉那些“捣乱”的基因

在跑富集之前，有几个过滤步骤是必须做的。第一，去掉没有Entrez ID对应的基因，这个前面已经说了。第二，如果做过差异分析，建议用校正后的p值（padj）和log2FoldChange双重阈值来筛选基因，而不是只用p值。我通常用padj < 0.05且|log2FC| > 1作为标准，这样能过滤掉大量低表达噪声。

第三，注意基因列表的长度。如果差异基因太少（比如少于50个），富集分析的统计效力会很低，结果可能全是假阳性。如果差异基因太多（比如超过5000个），几乎每条通路都会显著，结果失去区分度。这时候可以考虑按log2FC排序后取前N个基因，或者用GSEA（基因集富集分析）代替ORA（过表达分析）。

注意：过滤标准没有绝对的对错，但一旦确定就要在方法部分写清楚。审稿人经常会问“你为什么用这个阈值”，你需要能给出合理的解释。

3. GO富集分析：三个本体到底该怎么用

3.1 BP、CC、MF的分工与选择策略

GO（Gene Ontology）分为三个本体：生物过程（Biological Process, BP）、细胞组分（Cellular Component, CC）和分子功能（Molecular Function, MF）。很多教程会告诉你“三个都跑一遍”，但实际解读时你会发现，三个本体的信息量和解读难度完全不同。

BP是绝大多数研究最关心的部分，它描述的是基因参与的生物学过程，比如“细胞周期调控”“免疫应答”“信号转导”等。如果你做的是疾病机制研究，BP结果通常是最有生物学意义的。CC描述的是基因产物在细胞中的定位，比如“细胞核”“线粒体”“细胞膜”等。CC结果有时候能给你一些意外发现，比如你发现差异基因富集在“突触后膜”，那可能提示神经相关功能参与。MF描述的是基因产物的分子活性，比如“ATP结合”“DNA结合”“蛋白激酶活性”等。MF结果通常比较泛，因为很多基因都有相似的分子功能，区分度不如BP。

我的建议是：BP必看，CC和MF选看。如果你的差异基因数量不多，三个本体都跑一遍也无妨；如果差异基因很多，建议把主要精力放在BP上，CC和MF作为补充。另外，三个本体的富集结果不要混在一起做可视化，因为它们的条目数量和显著程度差异很大，混在一起图会很乱。

# 分别跑三个本体 ego_bp <- enrichGO(gene = entrez_ids, OrgDb = org.Hs.eg.db, ont = "BP", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.05, readable = TRUE) ego_cc <- enrichGO(gene = entrez_ids, OrgDb = org.Hs.eg.db, ont = "CC", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.05, readable = TRUE) ego_mf <- enrichGO(gene = entrez_ids, OrgDb = org.Hs.eg.db, ont = "MF", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.05, readable = TRUE)

3.2 简化冗余条目：为什么你的GO结果总是又长又重复

跑完GO富集，你可能会得到一张几十行甚至上百行的表格，里面很多条目看起来说的是同一件事。比如“细胞周期调控”“有丝分裂细胞周期调控”“细胞周期进程”这几个条目可能同时显著，因为它们共享大量基因。这就是GO的层级结构导致的冗余问题。

解决这个问题有两个主流方案：一是用simplify函数做语义相似性去重，二是用GOplot或者clusterProfiler自带的去冗余功能。simplify函数基于GO条目的语义相似度，把过于相似的条目合并，只保留最显著的那个。这个操作能大幅缩短结果列表，让解读更清晰。

# 对BP结果做简化 ego_bp_simplified <- simplify(ego_bp, cutoff = 0.7, by = "p.adjust", select_fun = min) # 查看简化前后条目数变化 cat("简化前:", nrow(ego_bp), "简化后:", nrow(ego_bp_simplified), "\n")

cutoff参数控制相似度阈值，默认0.7。调低这个值会保留更多条目，调高会合并更多。我通常用0.7作为起点，如果结果还是太长，可以降到0.5。但要注意，简化过度可能会丢失一些有生物学意义的细节，所以简化后的结果最好再人工扫一遍。

3.3 可视化：气泡图、条形图与富集地图的取舍

GO结果的可视化方式很多，最常用的是气泡图和条形图。气泡图的横轴通常是GeneRatio（富集比例），纵轴是通路名称，点的大小表示基因数，颜色表示p值或padj。条形图则是把GeneRatio或者p值画成条形，更直观地比较不同通路的显著程度。

但这两种图都有一个问题：当通路名称很长时，纵轴标签会挤在一起，根本看不清。我的解决办法是：第一，只展示top 10到top 20的通路，不要把所有显著通路都画上去；第二，用str_wrap函数把长名称换行；第三，如果名称实在太长，可以手动缩写，但要在图注里说明。

library(ggplot2) library(stringr) # 提取top 15通路 top_bp <- ego_bp_simplified@result[1:15, ] # 对Description列做换行处理 top_bp$Description <- str_wrap(top_bp$Description, width = 40) # 气泡图 ggplot(top_bp, aes(x = GeneRatio, y = reorder(Description, GeneRatio))) + geom_point(aes(size = Count, color = p.adjust)) + scale_color_gradient(low = "red", high = "blue") + labs(x = "Gene Ratio", y = "", size = "Gene Count", color = "p.adjust") + theme_bw() + theme(axis.text.y = element_text(size = 10))

还有一种进阶可视化是富集地图（Enrichment Map），用网络图展示通路之间的基因重叠关系。这种图适合展示全局模式，但制作门槛较高，需要Cytoscape或者专门的R包。如果你的目标是发文章，气泡图加条形图的组合通常就够了；如果要做口头报告或者需要展示通路间的关联，富集地图会更有冲击力。

4. KEGG通路分析：从富集结果到生物学故事

4.1 KEGG与GO的本质差异：为什么KEGG结果更“好讲”

GO和KEGG最大的区别在于：GO是一个受控词汇表，条目之间是层级关系，一个基因可以同时属于多个GO条目；KEGG是一个通路数据库，每个通路是一张手工绘制的代谢或信号传导图，基因在通路中的位置是明确的。这个差异决定了KEGG结果通常比GO结果更容易解读，因为你可以直接把基因映射到通路图上，看到它们在信号链条中的具体位置。

举个例子，如果GO告诉你差异基因富集在“MAPK级联调控”，你只知道有一批基因参与了这个过程，但不知道它们具体在哪个环节起作用。而KEGG的“MAPK信号通路”会明确标出哪些基因是受体、哪些是激酶、哪些是转录因子，你能直接看出信号是从哪里开始异常的。这就是为什么很多文章更倾向于用KEGG结果来构建机制假说。

但KEGG也有它的局限：通路数量有限，覆盖范围不如GO全面；某些通路更新不及时，可能遗漏新发现的基因；不同物种的KEGG注释完整度差异很大，人类和小鼠比较完善，其他物种可能只有部分通路有注释。

4.2 KEGG富集的参数陷阱：p值校正与q值阈值

KEGG富集分析的参数设置和GO类似，但有几个地方需要特别注意。第一，KEGG的p值校正方法默认是BH（Benjamini-Hochberg），这个没问题。但qvalueCutoff这个参数经常被误解——它控制的是q值（校正后的p值）的阈值，不是原始p值。很多人把qvalueCutoff设成0.05，然后发现结果很少，就以为是数据问题，其实是阈值太严了。

第二，KEGG富集有一个隐藏的坑：通路大小偏倚。KEGG里有些通路很大（比如“代谢通路”包含上千个基因），有些通路很小（比如“某特定信号通路”只有十几个基因）。大通路更容易显著，因为它们有更多机会包含差异基因。如果你发现结果里全是“代谢通路”“癌症通路”这种大而泛的条目，说明你的差异基因可能分散在多个功能上，没有特别集中的信号。

# KEGG富集 ekegg <- enrichKEGG(gene = entrez_ids, organism = "hsa", pvalueCutoff = 0.05, qvalueCutoff = 0.1, pAdjustMethod = "BH") # 查看结果 head(ekegg@result) # 如果结果为空，尝试放宽阈值 ekegg_loose <- enrichKEGG(gene = entrez_ids, organism = "hsa", pvalueCutoff = 0.1, qvalueCutoff = 0.2)

我的经验是：qvalueCutoff可以适当放宽到0.1甚至0.2，尤其是当差异基因数量不多的时候。但放宽阈值后，结果的假阳性风险会增加，需要结合生物学知识来判断哪些通路值得进一步验证。

4.3 通路图与基因映射：如何把差异基因标到KEGG图上

KEGG最强大的功能之一是通路图可视化。你可以把差异基因按照上调/下调着色，直接标到通路图上，一眼就能看出信号通路的哪个环节被激活或抑制了。这个功能通过pathview包实现。

library(pathview) # 准备基因表达数据，命名向量，名字是Entrez ID，值是log2FC gene_fc <- c(2.5, -1.8, 3.2, -0.9) names(gene_fc) <- c("7157", "672", "1956", "3845") # 生成KEGG通路图 pathview(gene.data = gene_fc, pathway.id = "hsa04110", # 细胞周期通路 species = "hsa", out.suffix = "cell_cycle", kegg.native = TRUE)

pathview会生成一个PNG文件，通路图上被差异基因覆盖的节点会按照log2FC着色，红色表示上调，绿色表示下调。这个图放在文章里非常直观，审稿人一看就懂。但要注意：pathview需要联网下载KEGG数据，如果网络不稳定可能会失败。另外，KEGG的许可协议对商业使用有限制，发文章通常没问题，但商业项目需要确认授权。

还有一个实用技巧：如果你想把多个通路的图拼在一起，可以用pathview生成单个图后，再用AI或者PPT手动排版。pathview本身不支持多图拼接，但生成的图质量很高，后期处理很方便。

5. 结果解读与常见翻车场景

5.1 为什么你的富集结果全是“癌症通路”和“代谢通路”

这是新手最常遇到的困惑：跑完KEGG，结果里排在前面的全是“癌症通路”“代谢通路”“PI3K-Akt信号通路”这种大而泛的条目，看起来毫无特异性。这不是你的数据有问题，而是KEGG数据库本身的结构导致的。

KEGG里有一些“超级通路”，它们包含大量基因，覆盖多个功能模块。比如“代谢通路”包含超过1500个人类基因，“癌症通路”包含超过500个基因。这些通路几乎在任何差异基因列表里都会显著，因为它们太大了。解决这个问题有几个思路：

第一，手动排除这些超级通路，只看特异性更强的通路。你可以在结果表格里按通路大小排序，把基因数超过200的通路先放一边，重点看那些基因数在20到100之间的通路。

第二，用GSEA代替ORA。GSEA不需要预先设定差异基因阈值，而是对所有基因按表达变化排序，然后看通路上的基因是否集中在排序列表的顶部或底部。这种方法对超级通路的偏倚较小，因为它是基于基因排序而不是基因计数。

第三，结合GO结果一起看。如果KEGG结果全是泛通路，但GO的BP结果给出了更具体的功能描述，可以以GO为主、KEGG为辅来构建故事。

5.2 富集通路的假阳性：多重检验校正之后还有坑

多重检验校正（比如BH方法）能控制假阳性率，但它不是万能的。校正后的p值（padj或q值）小于0.05，只说明这个结果在统计上不太可能是随机产生的，但不代表它一定有生物学意义。我见过太多人把padj < 0.05当作金标准，结果追了半年发现是个假阳性。

判断一个富集结果是否可信，除了统计显著性，还要看几个方面：第一，基因数。如果一个通路只有2到3个差异基因，即使padj很显著，也要谨慎对待，因为少量基因的富集可能是偶然的。第二，效应量。GeneRatio（差异基因中属于该通路的比例）比p值更能反映富集的强度。第三，生物学一致性。如果多个相关通路同时显著，比如“细胞周期”“DNA复制”“有丝分裂”同时出现，那这个信号就比较可靠；如果只有一个孤立的通路显著，就需要多留个心眼。

还有一个隐藏的坑是基因长度偏倚。长基因更容易被检测到差异表达，而某些通路富集了长基因，就会导致这些通路假阳性。这个问题在RNA-seq数据里比较常见，解决办法是用长度校正的方法（比如GOseq）或者用GSEA。

5.3 从富集结果到实验验证：下一步该做什么

富集分析只是提出假说，不是验证假说。你得到一堆显著通路之后，下一步是选出最值得追的几条，设计实验验证。我的筛选逻辑是这样的：

首先，看通路之间的重叠关系。如果几条通路共享大量基因，说明它们可能是一个更大的功能模块的不同侧面，可以合并成一个方向。其次，看通路里有没有已知的、可操作的靶点。比如“PI3K-Akt信号通路”里有AKT1、PIK3CA这些经典靶点，你可以直接设计qPCR或者Western blot验证。最后，考虑实验可行性。有些通路虽然显著，但验证成本很高（比如需要动物模型或者特殊试剂），如果预算有限，优先选那些能在细胞层面快速验证的通路。

提示：富集分析的结果最好保存为表格，包含通路ID、描述、基因数、p值、padj、q值、基因列表等字段。这样后续写文章或者做补充材料时可以直接用，不用重新跑分析。

6. 一套可复用的完整分析流程

6.1 从表达矩阵到富集结果的端到端脚本

把前面所有环节串起来，下面是一个完整的分析流程。假设你已经有了一个差异表达结果表格，包含基因Symbol、log2FC、pvalue、padj这几列。

# 加载必要的包 library(clusterProfiler) library(org.Hs.eg.db) library(ggplot2) library(stringr) library(pathview) # 读取差异表达结果 deg <- read.csv("diff_expression_results.csv", stringsAsFactors = FALSE) # 筛选显著差异基因 deg_sig <- deg[deg$padj < 0.05 & abs(deg$log2FC) > 1, ] # ID转换 id_map <- bitr(deg_sig$gene_symbol, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db) # 合并log2FC信息 deg_merged <- merge(id_map, deg_sig, by.x = "SYMBOL", by.y = "gene_symbol") # 准备基因列表 gene_list <- deg_merged$ENTREZID gene_fc <- deg_merged$log2FC names(gene_fc) <- deg_merged$ENTREZID # GO富集 ego_bp <- enrichGO(gene = gene_list, OrgDb = org.Hs.eg.db, ont = "BP", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.05, readable = TRUE) # 简化GO结果 ego_bp_sim <- simplify(ego_bp, cutoff = 0.7, by = "p.adjust") # KEGG富集 ekegg <- enrichKEGG(gene = gene_list, organism = "hsa", pvalueCutoff = 0.05, qvalueCutoff = 0.1) # 保存结果 write.csv(as.data.frame(ego_bp_sim), "GO_BP_results.csv", row.names = FALSE) write.csv(as.data.frame(ekegg), "KEGG_results.csv", row.names = FALSE) # 可视化 # GO气泡图 top_go <- ego_bp_sim@result[1:15, ] top_go$Description <- str_wrap(top_go$Description, width = 40) p_go <- ggplot(top_go, aes(x = GeneRatio, y = reorder(Description, GeneRatio))) + geom_point(aes(size = Count, color = p.adjust)) + scale_color_gradient(low = "red", high = "blue") + labs(title = "GO Biological Process Enrichment", x = "Gene Ratio", y = "") + theme_bw() ggsave("GO_BP_bubble.pdf", p_go, width = 10, height = 8) # KEGG气泡图 top_kegg <- ekegg@result[1:15, ] top_kegg$Description <- str_wrap(top_kegg$Description, width = 40) p_kegg <- ggplot(top_kegg, aes(x = GeneRatio, y = reorder(Description, GeneRatio))) + geom_point(aes(size = Count, color = p.adjust)) + scale_color_gradient(low = "red", high = "blue") + labs(title = "KEGG Pathway Enrichment", x = "Gene Ratio", y = "") + theme_bw() ggsave("KEGG_bubble.pdf", p_kegg, width = 10, height = 8)

这个脚本可以直接套用，只需要修改输入文件路径和物种参数。如果你做的是小鼠数据，把org.Hs.eg.db换成org.Mm.eg.db，organism换成“mmu”即可。

6.2 参数速查表与常见报错处理

常见报错及处理：

• “No gene can be mapped”：ID类型不对，检查是Symbol还是Entrez ID，确认物种注释包正确。
• “No enrichment found”：阈值太严，放宽pvalueCutoff和qvalueCutoff，或者检查基因列表是否太短。
• “KEGG database download failed”：网络问题，可以手动下载KEGG数据或者换时间段重试。
• “pathview error”：确认pathway.id正确，物种代码正确，基因命名向量格式正确。

6.3 进阶方向：GSEA与富集分析的组合拳

ORA（过表达分析）和GSEA（基因集富集分析）不是替代关系，而是互补关系。ORA适合你已经有了明确的差异基因列表，想知道这些基因集中在哪些功能上；GSEA适合你想看所有基因的排序模式，不预设阈值，能发现一些ORA漏掉的弱但一致的变化。

我通常的做法是：先用ORA快速扫一遍，看看有没有明显富集的通路；然后用GSEA验证这些通路是否在基因排序列表的顶部或底部集中。如果两者一致，结果就很可靠；如果GSEA发现了ORA没发现的通路，那可能是差异基因阈值设得太严，漏掉了一些变化不大但一致的基因。

# GSEA分析 # 准备排序基因列表，按log2FC降序排列 gene_list_sorted <- sort(gene_fc, decreasing = TRUE) # 跑GSEA gsea_result <- gseKEGG(geneList = gene_list_sorted, organism = "hsa", nPerm = 1000, minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0.05, verbose = FALSE) # 查看结果 head(gsea_result@result)

GSEA的nPerm参数控制置换次数，1000次是常用值，但如果你想要更稳定的p值，可以调到10000次。minGSSize和maxGSSize控制通路大小范围，排除太小和太大的通路，减少偏倚。

7. 几个只有踩过坑才知道的实操细节

第一个坑是关于基因列表去重。如果你的差异基因列表里有重复的Entrez ID（比如多个Symbol映射到同一个Entrez ID），enrichGO会报错或者给出错误的结果。解决办法是在跑富集之前用unique去重，或者用distinct函数保留每个Entrez ID只出现一次。

第二个坑是关于结果的可重复性。clusterProfiler的富集分析结果是可重复的，但如果你用了在线工具或者不同版本的数据库，结果可能会有差异。建议在方法部分写清楚用的什么包、什么版本、什么数据库版本。我通常会在脚本开头加一行sessionInfo()，把运行环境记录下来。

第三个坑是关于可视化配色。很多人用默认的红蓝配色，但红绿色盲的读者可能分不清。建议用红蓝或者橙紫这种对比度高的配色，避免红绿组合。另外，p值的颜色映射最好用连续渐变，不要用离散的分组，这样能更准确地反映显著性差异。

第四个坑是关于通路名称的翻译。KEGG和GO的条目名称都是英文的，如果你写中文文章，需要翻译。但有些专业术语的翻译不统一，比如“apoptosis”可以翻译成“凋亡”也可以翻译成“细胞凋亡”。建议在文章里第一次出现时给出英文原文，后面用中文简称，这样既专业又清晰。

第五个坑是关于补充材料的整理。富集分析的完整结果表格通常作为补充材料发表，但很多期刊对补充材料的格式有要求。建议把GO和KEGG结果分开保存，每个表格包含通路ID、描述、基因数、p值、padj、q值、基因列表这几列。基因列表用分号分隔，方便审稿人查阅。

这套流程我在多个项目中反复用过，从人类肿瘤数据到小鼠模型数据都跑通过。最深的体会是：富集分析的技术门槛不高，但解读门槛很高。同样的结果，有经验的人能从中提炼出清晰的生物学故事，没经验的人只能看到一堆通路名称。希望这篇内容能帮你跨过从“跑出结果”到“读懂结果”的那道坎。